训练营简介
2025年昇腾CANN训练营第二季，基于CANN开源开放全场景，推出0基础入门系列、码力全开特辑、开发者案例等专题课程，助力不同阶段开发者快速提升算子开发技能。获得Ascend C算子中级认证，即可领取精美证书，完成社区任务更有机会赢取华为手机，平板、开发板等大奖。
报名链接：https://www.hiascend.com/developer/activities/cann20252#cann-camp-2502-intro
摘要：在算子优化中，我们往往盯着 Vector 和 Cube 的利用率看，却忽略了Scalar Unit（标量单元）的负载。在达芬奇架构中，Scalar 单元不仅负责逻辑控制，还负责为所有计算单元发射指令。如果 Scalar 单元陷入复杂的地址计算或分支跳转，整个 NPU 的流水线就会发生Dispatch Stall（发射停顿）。本文将揭示控制流与计算流的解耦机制，教你如何让指挥官“少干活，快发令”。
前言：最昂贵的“加减乘除”
在 CPU 编程中，计算数组下标idx = i * stride + offset是几乎零成本的操作。 但在 Ascend C 算子开发中，如果你在for循环里写了太复杂的标量计算：
// 危险的写法 for (int i = 0; i < n; i++) { // 复杂的标量计算，用于生成 Vector 指令的参数 int offset = (i * A + B) % C; DataCopy(dst[offset], ...); }你会发现算子性能极差。为什么？ 因为AI Core 的 Scalar 单元是整个系统的瓶颈。它既要处理循环跳转，要做标量运算，还要负责给 MTE、Vector、Cube 发射指令。如果它算offset慢了 1 个 Cycle，后面的DataCopy就要晚 1 个 Cycle 发射，累积下来就是巨大的流水线气泡。
一、 核心图解：指挥官与三个兵团
Da Vinci 架构是一个典型的异步指令流架构。
Scalar Unit (SQ)：大脑与指挥官。负责取指、译码、标量计算、发射指令。
Cube/Vector/MTE：三个兵团。它们有通过队列（Queue）接收来自 SQ 的指令。
理想状态：SQ 发令速度极快，指令队列塞满，三个兵团满负荷工作。阻塞状态：SQ 被复杂的if-else或int运算卡住，指令队列空了，兵团停工等待。
这就是Control-Bound（控制受限）。
二、 性能杀手一：Scalar 与 Vector 的频繁交互
这是新手最容易踩的坑：试图用 Scalar 读取 Vector 的计算结果来做判断。
// 极慢的交互 LocalTensor<half> vec = ...; Add(vec, ...); // Vector 计算 half val = vec.GetValue(0); // 致命！Scalar 等待 Vector if (val > 0) { ... }原理解析
Vector 是异步执行的。当 Scalar 发出Add指令后，它以为Add已经做完了（其实还在排队）。 一旦调用GetValue()，Scalar 被迫挂起（Stall），直到 Vector 流水线排空、数据写回、通过总线传输给 Scalar 寄存器。这不仅打断了并行，还引入了巨大的同步开销。
优化方案： 尽量避免数据从 Vector 流向 Scalar。如果必须要做条件判断，尝试使用 Vector 的Select指令或Mask机制在 Vector 内部闭环解决。
三、 性能杀手二：循环内的复杂下标计算
很多算子涉及复杂的 Tensor 寻址（如 Sliding Window, Dilated Conv）。 如果每次迭代都由 Scalar 实时计算偏移量，发射速度就会变慢。
3.1 预计算 (Pre-computation)
将复杂的标量计算移到 Host 侧 Tiling 阶段，或者在 Kernel 初始化阶段算好存入 UB。
3.2 标量转向量 (Scalar to Vector)
如果你需要生成一个[0, 1, 2, ...]的偏移量数组。
差评：Scalar 循环算，每次算一个填入。
好评：使用 Vector 的
ArithProgression（等差数列）指令，一次性生成 128 个偏移量，后续计算全部在 Vector 域内进行。
四、 代码实战：解耦控制流
场景：我们需要以 stride 为步长读取数据，但 stride 是动态变化的。
阻塞式写法 (Scalar Heavy)
// 每次循环，Scalar 都要做一次乘法和加法 // 导致 CopyIn 指令的发射间隔变大 for (int i = 0; i < loop; i++) { uint64_t offset = i * stride_param + base_addr; CopyIn(dst, src + offset, ...); }极速发射写法 (Loop Unrolling & Ptr Increment)
// 优化：将复杂的乘法转为简单的指针自增 // Scalar 只需要做简单的加法，指令发射极快 uint64_t current_addr = base_addr; for (int i = 0; i < loop; i++) { CopyIn(dst, current_addr, ...); current_addr += stride_param; // 简单的 ALU 操作 }甚至，如果stride是固定的，我们可以利用 Ascend C 的DataCopy自带的Stride 参数（如上一篇所述），直接一条指令搞定，连for循环都省了。这样 Scalar 发射一条指令后就可以去休息了。
五、 总结
Scalar 单元是 AI Core 的节拍器。算子优化的最高境界，不仅是让 Vector 算得快，更是要让 Scalar“管得少”。
少交互：严控
GetValue，别让指挥官去搬砖。降复杂度：循环里只做简单的自增自减，复杂的数学题留给 Host 做。
用指令替代循环：能用
Repeat和Stride解决的，绝不写for。
当你发现 Vector 利用率波动很大，且伴随着 Scalar 繁忙时，请检查一下：你的指挥官是不是在“微操”过度了？
本文基于昇腾 CANN 8.0 微架构原理编写。
